بررسی اثر تخمین پارامترهای مدل ARCH در نمودارهای کنترل فرایندهای مالی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی صنایع، گروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه یزد، ایران

2 دانشیار، گروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه یزد، ایران

3 دانشیار، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه شاهد، تهران، ایران

4 استادیار، گروه مدیریت بازرگانی، دانشکده مدیریت، اقتصاد و حسابداری، دانشگاه یزد، ایران

چکیده

شناسایی تغییرات معنادار در شاخص های کلیدی فرآیندهای مالی یکی از نکات مورد توجه در سال های اخیر و پس از بحران های مالی می باشد. نمودارهای کنترل یکی از ابزارهای قدرتمندمورد استفاده در این زمینه می باشد. نکته قابل توجه در استفاده عملی از نمودارهای کنترل، تخمین پارامترهای فرآیند بر اساس داده های در دسترس می باشد. علیرغم تحقیقات گسترده در زمینه بررسی تاثیر تخمین پارامترها بر روی عملکرد نمودارهای کنترل، تحقیقات کمی بر روی فرآیندهایی با مشاهدات وابسته زمانی صورت گرفته است. با توجه به اهمیت و کاربرد گسترده مدل سری زمانی Auto Regressive Conditional Heteroskedasticity (ARCH) در پایش فرآیندهای مالی، در این مقاله، به بررسی تاثیر اندازه نمونه اولیه برای تخمین پارامترهای مدل بر روی عملکرد نمودارهای کنترل فاز 2 پرداخته می شود. عملکرد هر یک از نمودارهای کنترل با استفاده از مطالعات شبیه سازی و بر اساس معیارهای AARL و SDARL بررسی و نتایج حاصل تشریح می گردد.

کلیدواژه‌ها


عنوان مقاله [English]

Investigating the effect of estimating ARCH model parameters on financial process control charts

نویسندگان [English]

  • Mohammad Hadi Doroudyan 1
  • Mohammadsaleh Avlia 2
  • Amir Hossain Amiri 3
  • Hojatollah Sadeghi 4
1 PhD Student in Industrial Engineering, Department of Industrial Engineering, Faculty of Engineering, Yazd University, Iran
2 Associate Professor, Department of Industrial Engineering, Faculty of Engineering, Yazd University, Iran
3 Associate Professor, Department of Industrial Engineering, Faculty of Engineering, Shahed University, Tehran, Iran
4 Assistant Professor, Department of Business Management, Faculty of Management, Economics and Accounting, Yazd University, Iran
چکیده [English]

Identifying significant changes in key indicators of financial processes is one of the points of interest in recent years and after the financial crisis. Control charts are one of the most powerful tools used in this field. A noteworthy point in the practical use of control charts is the estimation of process parameters based on available data. Despite extensive research into the effect of parameter estimation on the performance of control charts, little research has been done on processes with time-dependent observations. Due to the importance and widespread use of the Auto Regressive Conditional Heteroskedasticity (ARCH) time series model in monitoring financial processes, in this paper, the effect of prototype size for estimating model parameters on the performance of phase 2 control charts is investigated. The performance of each control diagram is evaluated using simulation studies based on AARL and SDARL criteria and the results are described.

کلیدواژه‌ها [English]

  • Statistical process control
  • Control Charts
  • ARCH time series model
  • parameter estimation
  • Financial processes
 [1] Follmer, H., Schied, A., (2002), Stochastic Finance, An Introduction in Discrete Time, de Gruyter, Berlin.
 [2] Hardle, W., Kleinow, T., Stahl, G., (2002), Applied Quantitative Finance, Theory and Computational Tools, Springer-Verlag, New York.
 [3] Cizek, P., Hardle, W., Weron, R., (2005), Statistical Tool for Finance and Insurance, Springer-Verlag, Berlin.
 [4] Frisen, M., (2008), Financial Surveillance, John Wiley & Sons.
 [5] Golosnoy, V., Schmid, W., (2008), Statistical process control in asset management, Applied Quantitative Finance, 20, 398-416.
 [6] Frisen, M., (2009), Optimal sequential surveillance for finance, public health, and other areas, Sequential Analysis: Design Methods and Applications, 28(3), 310-337.
 [7] Frisen, M., (2011), Methods and evaluations for surveillance in industry, business, finance, and public health, Quality and Reliability Engineering International, 27(5), 611-621.
 [8] Abbasi, B., Guillen, M., (2013), Bootstrap control charts in monitoring Value at Risk in insurance, Expert Systems with Applications, 40(15), 6125-6135.
 [9] Garthoff, R., Golosnoy, V., Schmid, W., (2014), Monitoring the mean of multivariate financial time series, Applied Stochastic Models in Business and Industry, 30(3), 328-340.
 [10] Shewhart, W.A., (1931), Economic Control of Quality of Manufactured Product, MacMillan and Co., London.
 [11] Ryan, T.P., (2000), Statistical Methods for Quality Improvement (2nd edn), John Wiley & Sons, Ltd, New York.
 [12] Frisen, M., (2003), Statistical surveillance, Optimality and methods, International Statistical Review, 71(2), 403–434.
 [13] Woodall, W.H., Montgomery, D.C., (2014), Some current directions in the theory and application of statistical process monitoring, Journal of Quality Technology, 46(1).
 [14] Jensen, W.A., Jones-Farmer, L.A., Champ, C.W., Woodall, W.H., (2006), Effects of parameter estimation on control chart properties: a literature review, Journal of Quality Technology, 38(4), 349-364.
 [15] Psarakis, S., Angeliki K.V., Castagliola, P., (2014), Some recent developments on the effects of parameter estimation on control charts, Quality and Reliability Engineering International 30(8), 1113-1129.
 [16] Engle, R.F., (1982), Autoregressive conditional heteroscedasticity with estimates of the variance of UK inflation, Econometrica, 50, 987–1008.
 [17] Engle, R.F., Bollerslev, T., (1986), Modeling the persistence of conditional variances, Econometric Reviews, 5(1), 1–50.
 [18] Pagan, A. (1996), The econometrics of financial markets, Journal of Empirical Finance, 3, 15-102.
 [19] Severin, T., Schmid, W., (1998), Statistical process control and its application in finance, In Contributions to Economics: Risk Measurement, Econometrics and Neural Networks, Physica-Verlag, Hevdelbag, 83–104.
 [20] Montgomery, D.C., (2005), Introduction to Statistical Quality Control, 5th edn, John Wiley & Sons, New York.
 [21] Vasilopoulos, A.V., Stamboulis, A.P., (1978), Modification of control chart limits in the presence of data correlation. Journal of Quality Technology, 10(1), 20-30.
 [22] Schmid, W., (1995), On the run length of a Shewhart chart for correlated data. Statistical Papers, 36, 111-130.
 [23] Schmid, W., (1997), On EWMA charts for time series, Frontiers in Statistical Quality Control, Lenz, H.-J. and Wilrich, P.-Th. (eds.), Physica Verlag, Heidelberg.
 [24] Zhang, M., Megahed, F.M., Woodall, W.H., (2014), Exponential CUSUM charts with estimated control limits, Quality and Reliability Engineering International 30, 275–286.
 [25] Zhang, M., Peng, Y., Schuh, A., Megahed, F.M., Woodall, W.H., (2013), Geometric charts with estimated control limits, Quality and Reliability Engineering International, 29, 209–223.
 [26] Jones, M.A., Steiner, S.H., (2012), Assessing the effect of estimation error on risk-adjusted CUSUM chart performance, International Journal of Quality in Healthcare, 24(2), 176–181.
 [27] Lee, J., Wang, N., Xu, L., Schuh, A., Woodall, W.H., (2014), The effect of parameter estimation on Upper-sided Bernoulli cumulative sum charts, Quality and Reliability Engineering International, 29, 639–651.